标准降水指数的干旱预测使用神经网络、小波神经网络和支持向量回归

文摘

干旱预测是一种有效的工具来减轻一些更多的负面后果的干旱。数据驱动的模型是合适的预测工具由于其快速发展时期,以及最小的信息需求相比,基于物理的模型所需的信息。本研究比较了三种数据驱动模型的有效性在阿瓦什河流域干旱预测的埃塞俄比亚。标准降水指数(SPI)预计,利用人工神经网络(ann)相比,支持向量回归(SVR)和小波神经网络(WN)。SPI 3和SPI 12人的SPI值预测。这些SPI值预测在1和6个月的交货期。所有的模型的性能是使用RMSE相比,美,。预测结果表明,耦合的小波神经网络(WN)模型是最好的模型预测SPI值在多个交货期在阿瓦什河盆地在埃塞俄比亚。

1。介绍

干旱,自然出现在几乎所有的气候区域,是一个减少的结果,在较长一段时间,沉淀的正常。长时间的干旱会导致一些不良后果,包括供水中断,农业产量低,生态系统和减少流动。因此,能够预测和预测干旱的特点,特别是他们的起始,频率和严重程度,是很重要的。有效的干旱预测是水资源管理的一个有效工具,以及农业产业的有效工具。

目前,在埃塞俄比亚的干旱监测是由国家气象服务机构(NMSA)。NMSA经常产生一个为期10天的公告,让降雨量的分析基于长期的平均或正常。这个公告是流传广泛的用户,从地方发展决策者在国家一级代理。除了降雨分析、归一化植被指数(NDVI),这是一个基于卫星指数广泛用于监测植被和干旱。NMSA生产常规10天公告关于植被NDVI变化,比较当前状态与正常或条件的前一年1]。然而,营养的NDVI变化是敏感地区土地覆盖和可能不是有效的植被是最小的。此外,埃塞俄比亚的NMSA生产中使用上述归一化植被指数和季节性降水的预测。

不像其他的自然灾害,干旱有缓慢进化的时间(2]。干旱的后果花大量的时间对他们的《盗梦空间》生效,当它们被生态系统和水文系统。由于这个特性,有效缓解干旱最不利的影响是可能的,比其他的极端水文事件如洪水、地震、飓风、干旱监测系统提供,这是能够及时的警告出现干旱和遵循其发展在时间和空间上,在操作(3]。

常见工具用来监视当前干旱干旱指数。一些干旱指数可以用来预测可能的进化的一个持续的干旱,以采取适当的缓解措施和干旱水资源管理政策(4]。这是因为干旱指数表示的数字编号,也被认为是功能远远超过原始数据在决策(2]。世界各地的几个干旱指数已经发展在过去的基础上降雨量作为单一变量,包括广泛使用十分位数(5),标准化降水指数(SPI) (6),和有效的干旱指数(EDI) (7]。还有著名的帕尔默干旱强度指数(PDSI) [8),认为温度和降雨量。SPI干旱指数选择预测干旱在这项研究由于其简单性,其代表在多个时间尺度干旱的能力,因为这是一个概率干旱指数。此外,Ntale和氮化镓的研究9)确定SPI是最适当的索引用于监视在东非干旱的可变性,因为它很容易适应当地气候,温和的数据需求,可以在几乎任何时间尺度计算。

预测任何水文现象可以通过使用一个物理的、概念性的、数据驱动的方法。后一种方法广泛应用于水文预测,因为数据驱动模型低信息需求对变量输入所需的数量相比,基于物理模型。数据驱动的模型也有快速发展时期。与物理概念模型、数据驱动模型不难实现实时预测的目的。人工神经网络(ann)在几项研究已经使用drought-forecasting工具(10- - - - - -16]。最受欢迎的类型的安用于干旱预测的目的是多层感知器(MLP)通常与反向传播算法优化。然而,网络有限的能力来处理非平稳的数据,一个弱点也共享的多元线性回归(高)和自回归移动平均(ARIMA)模型集成。

这种限制与非平稳的数据导致了最近形成的混合模型,数据预处理的非平稳特征,然后通过预测方法,如人工神经网络处理非线性。小波分析,一个有效的工具来处理非平稳的数据,最近被应用于水文预报研究岩溶流域的降雨径流关系(17),描述日常流速及流水量(18,19和每月的油藏流入20.),评估降雨径流模型(21),预测河流量(22- - - - - -24),预测未来降水值(25),和干旱预测的目的26]。这项研究由金和巴尔德斯(26)是唯一的研究,探讨了小波神经网络结合模型的能力(WN)预测给定干旱指数。然而,没有研究,评估WN模型预测的能力尤其是SPI干旱指数已经探索。

支持向量机(svm)是一种相对较新的机器学习,是由Vapnik [27]。支持向量机这个词是指两个分类和回归方法以及支持向量分类(SVC)和支持向量回归(SVR),指分类和回归问题,分别为(28]。有几个研究svr被用于水文预报。汗和Coulibaly29日)发现一个SVR模型更有效地预测3 - 12月湖泊水位比ANN模型。Rajasekaran et al。30.SVR成功地用于预测风暴潮,基西人和试件31日,32)每天用SVR来估算蒸发和日常流速及流水量,分别。最后,SVR已经成功地用于预测每小时流水量由Asefa et al。33),并显示执行月度流速及流水量比安和ARIMA模型预测由王等。34)和Maity et al。35),分别。元,谭(36)利用svr作为筛查工具测试水稻的抗旱性。然而,到目前为止svr尚未应用于预测给定干旱指数。

本研究比较了三种数据驱动模型的有效性在阿瓦什河流域干旱预测的埃塞俄比亚。标准降水指数(SPI)预测,利用人工神经网络(ann)相比,支持向量回归(SVR)和小波网络(WN)。SPI 3和SPI 12在交货期预测的1和6个月。预计交货期是月交货时间是一个典型的短期选择,因为交货时间6个月交货时间是双峰的代表在阿瓦什河流域降雨模式。本研究的预测结果是有用的为农业水资源管理部门和有潜力成为适用于水资源管理者有效地管理水资源。此外,使用这些数据驱动的模型可以准确预测补充NMSA的预测已经被埃塞俄比亚。

2。理论的发展

在下一节中,简要描述SPI的计算。除了SPI的描述,本节还描述了数据驱动的模型被用来预测SPI。

2.1。标准降水指数(SPI)

标准降水指数(SPI)是由麦基et al。6]。像在前一节中提到的,SPI的主要优势之一是,它只需要降水数据作为输入,这使得它非常适合数据收集没有广泛的地区(如在埃塞俄比亚)。SPI的事实是完全基于降水使其评价相对容易(37]。SPI是标准化的指数。标准化的干旱指数从地理位置确保独立的指数平均降水的问题是计算对同一地点(37]。

SPI干旱指数任何位置的计算是基于长期降水记录(至少30年)累积在选定的时间尺度(38]。这个长期降水时间序列然后安装伽马分布,然后通过同等概率转换成正态分布(38,39]。积极SPI值显示大于平均降水、湿条件和消极的SPI值表明干旱比平均降水量较低[38]。表1下面表明SPI干旱类。

在大多数情况下,最好的模型观测降水数据的概率分布是伽马分布(37]。伽马分布的概率密度函数是由表达式(37]: 在哪里是形状参数,尺度参数,降水量。是采取的价值标准的数学函数称为伽马函数,定义的积分(37]: 一般来说,γ函数评估数值或使用列表的值取决于参数的值。

为了模型的数据观察伽马分布的密度函数,需要估计的参数和适当。已经提出不同的方法在文献中对这两个参数的估计。例如,托姆(40)近似用于最大概率在爱德华兹和麦基(41]: 在观察 参数的估计可以进一步提高使用交互式方法建议在威尔(42]。

后估计系数和概率密度函数综合对吗我们获得累积概率表达式一定数量的雨已经观察到对于一个给定的月,为一个特定的时间范围(37]: γ函数没有定义因为可能没有沉淀,累积概率成为[37] 在哪里的概率是没有降水。是降水的累积概率。然后变成一个正常的标准化累积概率分布与零均值和单位方差得到SPI指数。

上面的方法,然而,既不实际也不使用数值简单如果有许多网格点的许多站点计算SPI指数。在这种情况下,另一种方法是描述在爱德华兹和麦基(41)使用近似转换的技术开发的阿布拉莫维茨和Stegun43),将累积概率转换成标准的变量Z。然后定义为SPI指数 在哪里 在哪里降水,是观察到的降水累积概率,,,,,,常量有以下值:

2.2。人工神经网络(ann)

人工神经网络(ann)是灵活的计算框架,类似于神经系统的结构。人工神经网络用于模式广泛的水文时间序列在过去的二十年里。使用人工神经网络的主要优点是,不需要定义的输入和输出之间的物理过程(11]。这个特性使得网络适合干旱预测的目的,所有的变量,这些变量可能会导致干旱并不完全理解。

摘要多层感知器(MLP)前馈网络被用来预测SPI时间序列。图1是一个典型的前馈神经网络。ANN模型在本研究中被训练与Levenberg马夸特(LM)反向传播算法。mlp已广泛用于水文预报研究[10,12,23,26,44,45由于其简单性。的架构,mlp由一个输入层、一个或多个隐藏层和输出层。隐藏层包含neuron-like处理元素连接输入和输出层,是由(26] 在哪里输入变量的数量;是隐藏的神经元的数目;=的我输入变量在时间步;连接=重量我神经元在输入层和jth隐层神经元;=偏见的jth隐藏神经元;=隐藏神经元的激活函数;连接=重量j隐层神经元和kth在输出层神经元;=偏见的kth输出神经元;=输出神经元激活函数;是预测k在时间步输出(26]。

2.3。支持向量回归

支持向量机(SVM)是由Vapnik [27)作为一种工具的分类和回归。svm体现了结构风险最小化原则,而神经网络体现了经验风险最小化原则。与ann寻求最小化训练误差,svm试图最小化泛化误差。支持向量机有两个组件:支持向量分类(SVC)和支持向量回归(SVR)。由于本研究的主要目的是预测SPI, SVR。

支持向量回归(SVR)是用于描述回归和支持向量机(27]。与SVR回归估计,其目的是估计函数依赖一组采样点之间X=从和目标值Y=与(输入和目标向量(的年代,' s)指的是月度记录的SPI指数)。假设这些样本生成独立于一个未知的概率分布函数和一个类的函数(27]: 在哪里和估计系数,必须从输入数据。主要目标是找到一个函数最小化风险功能(46]: 在哪里是一个损失函数用来测量目标之间的偏差,,估计、价值观。概率分布函数是未知的,不能直接最小化风险的功能之一,但只能计算经验风险函数(46] 在哪里是样品的数量。这种传统经验风险最小化是不可取的没有任何结构控制或正则化的方法。为了避免这个问题一个正规化的风险函数与函数之间的最小的陡度最小化经验风险函数可以作为(46] 在哪里是一个常数()。附加项减少了模型空间,从而控制解决方案的复杂性导致以下形式的表达式(46,47]: 在哪里是一个积极的常数,必须事先选定的。常数影响之间的权衡或近似误差和回归(重量)向量是一个设计参数。损失函数的表达式,它被称为一个不敏感损失函数(),的优点是它不需要描述的所有输入数据回归向量和可以写成46] 这个函数的行为作为一个有偏估计量时结合正则化项()。损失等于0,如果预测的区别和观测值小于。以下描述的非线性回归函数表达式(27,46,48]: 在哪里拉格朗日乘数法,是一种偏见,然后呢是内核函数是基于再生核希尔伯特空间32]。内核函数就可以执行操作的输入空间而不是潜在的高维特征空间。几种类型的函数被SVR如多项式函数,高斯径向基函数,指数径向基函数,多层感知功能,与样条函数和函数等等(32]。

2.4。小波变换

小波变换是数学函数可用于含有非平稳时间序列的分析。小波变换允许长时间间隔的使用低频信息和短间隔的高频信息。他们能够揭示方面的数据趋势,故障点和间断,其他信号分析技术可能会错过26]。小波分析的另一个优点是母亲的灵活选择小波根据调查时间序列的特征(45]。

利用小波变换的重要一步是母小波的选择()。连续小波变换(CWT)被定义为信号的所有时间乘以规模和移位的版本的小波函数(26]: 在哪里尺度参数;是翻译和*对应于复杂的共轭(26]。CWT产生连续的尺度作为输出。每个规模对应小波的宽度;因此,大规模意味着更多的时间序列中使用比在较小的尺度系数的计算。类是用于加工不同的图像和信号;然而,这通常不会被用于预测,因为其计算复杂和耗时。作为替代方案,在预测应用程序中,使用离散小波变换(DWT),由于其简单性和较短的计算时间。DWT尺度和位置通常是基于两个(二元尺度和位置)的权力。这是通过修改小波表示(49] 在哪里和控制规模和翻译都是整数,分别在吗是一个固定膨胀一步翻译是一个因素,取决于上述扩张的步骤。使离散小波的效果现在是时空尺度采样离散的水平。DWT设有两套功能:高通和低通滤波器。原始时间序列通过高通和低通滤波器,细节系数和近似系列。

固有的挑战之一使用DWT的预测应用程序开始时,如果我们改变值的时间系列,所有的小波系数将随之改变。为了克服这个问题,一个冗余算法,称为多孔算法可以被使用,由(50] 在哪里最好是低通滤波器和规模是原始时间序列。提取的细节,,被淘汰(21),平滑版本的信号中减去从粗信号之前,由(51] 在哪里的近似信号和是粗的信号。每个应用程序(20.)和(21)创建一个平滑近似和提取更高层次的细节。最后,可以使用非对称Haar小波的低通滤波器,以防止任何未来的信息被使用在分解(52]。

3所示。阿瓦什河盆地

这项研究预测的SPI在阿瓦什河盆地埃塞俄比亚。盆地年平均降雨量的变化从1600毫米在亚的斯亚贝巴的高原东北部,在盆地的北部160毫米(53]。的总量每年的降雨量也千差万别,导致严重的干旱和洪水在某些年别人。总年度泛滥盆地地表径流的一些米³(54]。

阿瓦什河盆地(图2)分为三个小盆地的基础上,本研究的目的各种因素如位置、海拔、气候、地形和农业发展。一项由Edossa et al。54以类似的方式)分离泛滥盆地。次盆地被称为上层、中层和降低泛滥盆地,分别。使用这些背后的推理三次盆地是确保本研究中使用的方法在不同条件下有效地预测短期干旱。每个sub-basin的特征在以下部分中简要描述。

3.1。上泛滥盆地

上泛滥盆地气候温和,年平均气温介于第15 - 22°C和年降水量500 - 2000毫米(54]。雨量分布上泛滥盆地是单峰。七个雨量位于淹没上游流域为本研究选择(表2)。这些电台被选中,是因为他们的降水记录1970 - 2005年完整或相对完整。任何站,超过10%的记录丢失没有选择。

3.2。中阿瓦什盆地

中阿瓦什地区盆地是在半干旱气候带与一长一短炎热的夏季和温和的冬季。年降雨量200 - 1500毫米之间的不同(54]。在这个次盆地雨量分布的双峰。较小的降雨通常发生在3月和4月,主要从7月份到8月份降雨。八个雨量位于中阿瓦什地区盆地选择使用相同的标准上泛滥盆地和如表所示2。

3.3。低泛滥盆地

阿瓦什河流域有一个热越低,半干旱气候。该地区的年平均温度范围22至32°C平均年降水量500至700毫米(54]。五降雨指标选择使用相同的标准形式下泛滥盆地中使用另外两个sub-basins和如表所示2。

4所示。方法

这篇论文的方法部分描述了SPI如何计算,然后在两个单独的交货期预测使用安,WN, SVR模型。

4.1。SPI计算

为了计算SPI,充分描述了降水数据的概率密度函数必须确定。γ分布函数被选中适合原始的降雨数据从每个站在这个研究。SPI是分数和代表一个事件离开的意思是,用标准偏差表示单位。SPI是归一化指数在时间和空间。SPI值可以根据类分类。在这项研究中,建立了附近正常类的聚合两类:(轻度干旱)和(略湿)。离开的意思是一个概率的湿润或干旱的严重程度,可用于风险评估。SPI的时间序列可用于干旱监测通过设置应用程序特定的阈值定义干旱SPI的开始和结束时间。积累的SPI值可以用来分析干旱的严重程度。在这项研究中,SPI_SL_6程序开发的国家干旱减灾中心,布拉斯加-林肯大学,被用来计算时间序列的干旱指数(SPI)对于每一个站在今年每个月的盆地和在不同的时间尺度。

在每个sub-basin,对于每一个站,SPI 3和SPI 12人计算。这些SPI值随后被预期在1和6个月的交货期。3个月SPI比较该时期的降水与历史记录相同的3个月期间。例如,3个月SPI在9月底比较7 - 9月期间的降水总量与同一时期的所有过去的总数。3个月降水和SPI表明短期和中期趋势仍然被认为是更敏感的条件比帕默指数这种规模。3个月SPI可以非常有效地显示季节性降水趋势和农业干旱是一个很好的指标。SPI 12反映长期降水模式。SPI 12是比较相同的降水连续12个月连续12个月期间所有可用的前几年的数据,是一个很好的指标长期干旱。因为这些时间尺度是短时间的累积结果可能高于或低于正常,spi越倾向于零,除非特定的趋势正在发生。预估的交货期是1和6个月被选中是因为1月6个月每月最短的交货时间和双峰降雨模式的代表讨论的阿瓦什河流域部分地区的部分3.2。

4.2。小波分解

在拟议的WN模型中,每个降雨站的SPI数据分解为子级数近似和细节(DWs)。这个过程包括许多连续过滤步骤。首先将原始SPI时间序列分解为一个近似信号和相应的细节。然后迭代分解过程,逐次逼近信号被分解。由于原来的SPI时间序列分解成许多低分辨率组件。

当进行小波分析,分解水平必须选择适当的数据。一个常用的方法来确定分解的数量水平是基于信号的长度(55),是由,在那里分解和水平吗是信号的长度。研究中的训练集由1290年至3017年样本(样本的变化取决于输入的数量为每个降雨站)。因此,被选为分解水平。

作为讨论的部分2。4,“多孔”小波算法与低通哈雾过滤器用于创建四套小波子系列。这四个亚系列包括一个低频分量(近似)用来揭示趋势的信号和一组三个高频组件(细节)用于揭示信号的周期性。分解亚系列都加在一起产生一个时间序列,作为ANN模型的输入。使用亚系列作为输入的总和在这项研究提供更准确的结果比使用某些亚系列或亚系列,表现出与原时间序列的相关性最高。

4.3。ANN模型

所有的ANN模型创建与MATLAB ()安工具箱。双曲正切乙状结肠传递函数被隐藏层的激活函数,而输出层的激活函数是线性函数。所有的ANN模型在本研究中被训练使用LM反向传播算法。LM反向传播算法被选中,是因为它的效率和减少计算时间在训练模型(45]。

在这项研究中,为每个安有4 - 8输入神经元之间的模型。最优输入神经元的数量为每个站选择使用一个反复试验的过程。数据驱动的模型是递归模型,模型是预测一个交货时间提前,以及后续的预测包括先前预测的输出作为输入。因此,预测的6个月交货时间将会输出预期的交货期1 - 5个月。递归模型,因为它是确定它将简单的使用一个安一个输出神经元。Mishra和德赛(10]安递归模型和ANN模型相比有超过一个输出神经元(直接ANN模型),发现结果为预测SPI可比。输入和输出的规范化在0和1之间。歌曲名的研究等。56]经验确定神经网络的最佳性能时隐藏节点的数量等于日志(),是训练样本的数量。另一项研究由Mishra和德赛(10)确定最优数量的隐藏的神经元,在那里是输入层的数量。在这项研究中最优数量的隐藏的神经元之间的决心是日志()和()。例如,如果使用的方法提出的歌曲名et al。56]给出的结果4隐藏神经元和使用方法提出Mishra和德赛(10]给6隐藏神经元,神经元最优数量的隐藏在4和6之间,此后最优数量决定使用试验和错误。这两个方法帮助建立一个上界和下界隐藏神经元的数量。

所有的ANN模型的交叉验证技术(57)是用于分区数据集;80%的数据被用来训练模型,而其余20%的数据被用来测试和验证模型,其中10%用于测试,10%用于验证。训练集用于计算误差梯度和更新网络权重和偏见。从验证集误差被用来监控培训过程。如果网络overfits数据,验证集误差将开始上升。当验证错误增加指定数量的迭代,停止训练,重量和偏见的最低返回验证错误。测试数据集是一个独立的数据集,用于验证模型的性能。

4.4。WN模型

WN模型训练的ANN模型一样,除了输入是由小波分解子系列。在这项研究中,重要的小波(逼近和细节系列)一起总结一次无关紧要的系数被排除在外,类似于分娩的[干了些什么58)和基西人和试件32]。在这项研究中,总结亚系列提供了更好的结果比使用单个小波系数作为输入。

WN模型的输入层神经元与4 - 8,一个隐藏层神经元组成的4 - 6,和一个输出层组成的一个神经元。神经元的数量决心以同样的方式对传统的ANN模型。所有的ANN模型小波分解子级数作为他们的输入也分区以类似的方式对传统的ANN模型。

4.5。SVR模型

所有SVR模型开发使用OnlineSVR软件由Parrella [59]。OnlineSVR技术用于构建支持向量机的回归。OnlineSVR软件分区数据只有两套:一个训练集和测试集。SVR模型分区以类似方式安和WN模型。

所有SVR模型用非线性径向基函数(RBF)的内核。因此,每个SVR模型由三个参数的选择:γ()、成本()和ε()。的γ参数是一个常数,减少了模型空间和控制解决方案的复杂性,是一个积极的常数是一个容量控制参数,然后呢的损失函数描述了回归向量没有所有输入数据(32]。这三个参数的选择是基于一个反复试验的过程。参数的组合产生最低的RMSE值训练数据集被选中。

4.6。性能的措施

从数据驱动模型预测结果的性能是评价拟合优度的下列措施: 在哪里均值接管吗,是观测值,是预测价值,是数据点的数量。确定系数测量观测值和预测值之间的关联程度。的价值就越高(1是最高的可能值),模型的性能越好 在哪里是平方误差的总和,是数据点的数量。是由 已经被定义的变量。独立的RMSE值误差的方差的样本大小 美是用来测量距离观测值预测价值。它的平均绝对误差。

5。结果与讨论

阿瓦什河的每一次盆地盆地,车站显示每个数据驱动模型的最佳性能结果列在下面。在这项研究中,SPI 3和SPI 12人预测1和6个月的交货期确定数据驱动模型的有效性在短期和长期的交货期。

如表所示3(a),最好的数据驱动模型的预测上泛滥盆地SPI 3和12是WN模型。所有的模型表现出更好的结果的预测月交货时间交货时间(L1)的预测相比,6个月(16种)。SPI 12日预测的数据驱动的模型,有更好的性能比预测SPI 3的结果、RMSE和梅,不管预测交货时间。最好的个月交货期WN SPI 12的结果预测的0.9534,0.0600,和0.0536的分别,RMSE美。第二个最好的结果来自ANN模型结果为0.9451,0.0610和0.0603的分别,RMSE和梅。数据3和4月预测结果显示,安和WN SPI 12 Ejersalele站。

这两种模型的性能非常相似,所显示的数字3和4。两种模型充分代表丰富的时期和急性降水所表示的数据的高峰和低谷。

类似的结果上泛滥盆地,最好的预测结果中阿瓦什地区盆地从WN模型。WN模型有最好的结果对于SPI 3和SPI 12日1和6个月的预估交货期分别(表3(b))。所有的数据驱动模型的预测结果恶化预测交货时间时从1增加到6个月。

图5演示了观察到的SPI 12之间的关系从ANN模型,预测的SPI 12 Nazereth站。ANN模型低估了严重干旱时期的112个月。相比之下,SPI的WN模型在Nazereth 12站显示改善结果对干旱时期在112个月(图6)。

降低泛滥盆地,预测结果表现出同样的趋势上层和中层sub-basins所示。WN模型有最好的结果对于SPI 3和SPI 12日预测交货期1和6个月,分别。数据7和8说明最好的SPI 12预测Dubti站在安和WN模型预测急性降水丰富的时期,很好。预测交货时间增加时,所有的模型的性能恶化,尤其是对。数据驱动模型的上部和下部泛滥盆地表现出他们最好的SPI 12日预测的结果表明数据驱动模型更有效地预测长期的干旱情况这两个盆地,在中阿瓦什地区盆地大多数模型也表现出他们最好的结果的预测SPI 12除了WN模型,表现出他们最好的结果预测的SPI 3。这一趋势可能是由于长期SPI的事实,这是一个累积的短期时间尺度,倾向于零,除非特定的趋势正在发生。除了关于WN模型在中阿瓦什地区盆地可能是由于一个事实,即降水记录在这个车站是相对稳定的,意义没有很多变化从一个月到下一个和SPI 3对这些变化并不敏感。

总的来说,这三个数据驱动模型预测SPI 3和SPI 12对预测交货期1和6个月。结果表明,ANN模型是更有效的比SVR模型预测在这个研究。使用小波分析改进的ANN模型的预测结果,特别是在预测极端事件,如图6。事实上,使用测量的峰值相对误差如图所示 这是确定ANN模型的相对误差95%,降低到88%时WN模型使用。

事实上,小波分析是一种有效的工具在揭示当地不连续有助于解释为什么它是更有效地预测极端事件在中阿瓦什地区盆地。小波分析可以帮助de-noise原SPI时间序列相比,传统的ANN模型。这个de-noised信号的预测可能会进一步解释这一事实极端事件预计更好的使用小波分析。

预计交货时间的增加导致恶化的性能在所有的模型。然而,这不会导致贫穷恶化模型,表明这些数据驱动模型的稳定性预测SPI。结果RMSE和梅不恶化大大增加交货时间。例如,对于Dubti站,SVR模型的RMSE和梅恶化了0.05和0.26%,分别。

最好的预测有变化对于SPI 3和SPI 12在三次盆地。例如,SPI的最佳预测3月交货时间发生在中阿瓦什地区盆地(WN模型),而最好的预测SPI 12月交货时间发生在上泛滥盆地(WN模型)。虽然每个次盆地都有不同的气候,但似乎没有一个明确的趋势连接气候学和预测精度。原因似乎最好的模型为每一个数据驱动的方法在不同次盆地与个人站的特点,而不是整个次盆地的特征。

此外,预测结果SPI 12比SPI 3在几乎所有情况下的预测结果。SPI 3和其他短期SPI,每一个月有一个很大的影响时期的降水(6]。结果,SPI 3是敏感,任何降水变化从一个月到另一个。对于SPI 12,每个月少影响总指数是不敏感的降水变化从一个月到下一个。SPI 3是更敏感的降水变化导致不准确的预测结果比SPI 12。然而,小波分析的影响更重要的SPI 3比SPI 12,特别是6个月的预估交货期。如前所述,SPI的ANN预测12降雨量的变化不敏感,从而取得了良好的效果。小波分析的能力来改善这些结果存在如图所示但不是高达改善SPI 3中所示的预测,因为安预测SPI 3因SPI 3轻微变化的敏感性在降水的长期记录。

三次盆地有不同的气候学。预测结果都表明WN最有效地预测模型是在所有方面的sub-basins SPI、RMSE和梅。是这种情况是否在所有气候区域需要在将来的研究中探索。

6。结论

本研究试图确定最有效的数据驱动的模型预测的SPI干旱指数在埃塞俄比亚的阿瓦什河流域。WN模型被证明是最有效的模型来预测SPI 3和12在所有三次盆地。WN模型显示更大的观察之间的相关性和预测SPI相比,简单的人工神经网络和SVR模型。WN模型也一直表现出较低的RMSE值和梅相比其他数据驱动模型探索了在这个研究。所有的数据驱动的模型预测结果显示增加SPI 12相比SPI 3。预测结果恶化的预测提前期增加的所有模型。这两个机器学习技术,人工神经网络更有效的预测相比,SPI SVR模型。这一趋势发生在所有三次盆地,应该研究其他地区来确定干旱预测人工神经网络更有效工具相比,SVR模型。人们认为WN模型提供更准确的结果,因为预处理的原始SPI与小波时间序列分解“de-noises”数据。未来的研究应该试图探索WSVR模型,合奏WN和WSVR模型,并探索SPI预测使用这些新方法在其他地区不同的特点。 Future studies should also attempt to quantify time shift error as it is a part of forecasting problems with regression models.

确认

NSERC发现格兰特和FQRNT新研究员格兰特被简Adamowski被用于这项研究。

引用

1. 大肠Mersha和v . k . Boken“农业干旱在埃塞俄比亚,”农业干旱监测和预测:一个全球性的研究v . k . Boken、a . p . Cracknell和r . l . Heathcote Eds。,牛津大学出版社,2005年。视图:谷歌学术搜索
2. A . k . Mishra和v·辛格“回顾干旱的概念,”《水文,卷391,不。1 - 2、202 - 216年,2010页。视图:出版商的网站|谷歌学术搜索
3. t·罗斯和n .洛特“气候学的1980 - 2003年的极端天气和气候事件,“国家气候数据中心技术报告2003 - 01。NOAA / NESDIS,国家气候数据中心,阿什维尔,数控,美国。视图:谷歌学术搜索
4. a . Cancelliere g . di毛罗·b·Bonaccorso g·罗西,“随机预测的干旱指标,”为干旱分析和管理方法和工具g·罗西,t·维加,b . Bonaccorso Eds。施普林格,2007年。视图:谷歌学术搜索
5. w·j·吉布斯和j . v .马赫降雨量十分位数作为干旱指标,48卷公告(英联邦气象局、澳大利亚)、气象局、墨尔本,澳大利亚,1967年。
6. t·b·麦基n . j . Doesken和j·克莱斯特,“干旱频率和持续时间的关系,时间尺度”第八届会议上应用气候学学报》上美国,美国气象协会,阿纳海姆,加利福尼亚州,1993。视图:谷歌学术搜索
7. h . r . Byun a和d -威尔特“客观量化干旱的严重程度和持续时间,“杂志的气候,12卷,不。9日,第2756 - 2747页,1999年。视图:谷歌学术搜索
8. w·帕尔默,“气象干旱,”科技。众议员45岁,美国气象局,华盛顿特区,1965年美国。视图:谷歌学术搜索
9. h . k . Ntale和t . y . Gan东非干旱指数和他们的应用程序”,国际气候学杂志,23卷,不。11日,第1357 - 1335页,2003年。视图:出版商的网站|谷歌学术搜索
10. a . k . Mishra和v r·德赛“干旱预测使用递归神经网络前馈,”生态模型,卷198,不。1 - 2、127 - 138年,2006页。视图:出版商的网站|谷歌学术搜索
11. s . Morid诉Smakhtin, k . Bagherzadeh“干旱预测使用人工神经网络和时间序列的干旱指标,”国际气候学杂志,27卷,不。15日,第2111 - 2103页,2007年。视图:出版商的网站|谷歌学术搜索
12. 美国g . Bacanli m . Firat f . Dikbas,“干旱预测的自适应神经模糊推理系统,”随机环境研究和风险评估,23卷,不。8,1143 - 1154年,2009页。视图:出版商的网站|谷歌学术搜索
13. a·p·巴罗斯和g·j·鲍登,”向长期操作的预测干旱:默里-达令流域的实验研究,“《水文,卷357,不。3 - 4、349 - 367年,2008页。视图:出版商的网站|谷歌学术搜索
14. p . Cutore Di毛罗·g ., a . Cancelliere”预测帕默指数使用神经网络和气候指标,”水文工程杂志,14卷,不。6,588 - 595年,2009页。视图:出版商的网站|谷歌学术搜索
15. m . Karamouz k Rasouli,美国纳齐夫”发展的混合指数的干旱预测:案例研究中,“水文工程杂志,14卷,不。6,617 - 627年,2009页。视图:出版商的网站|谷歌学术搜索
16. a . f . Marj和a . m . j . Meijerink”农业干旱预测使用卫星图像,气候指数和人工神经网络,”国际遥感杂志》上,32卷,不。24日,第9719 - 9707页,2011年。视图:出版商的网站|谷歌学术搜索
17. d . Labat r . Ababou和a·曼京”,小波分析在岩溶水文。第二部分:降雨径流cross-wavelet分析。”政府建筑渲染的de l 'Academie德科学,卷329,不。12日,第887 - 881页,1999年。视图:出版商的网站|谷歌学术搜索
18. p .中美合作所和p·库马尔相干模式多尺度变化的流水量超过美国,“水资源研究,36卷,不。4、1049 - 1067年,2000页。视图:出版商的网站|谷歌学术搜索
19. d l l . c . Smith, Turcotte, b . l . Isacks”流流动特性和功能检测使用离散小波变换,“水文过程,12卷,不。2、233 - 249年,1998页。视图:谷歌学术搜索
20. f p . Coulibaly Anctil Bobee,“每日油藏流入预测使用停止训练的人工神经网络方法,”《水文,卷230,不。3 - 4、244 - 257年,2000页。视图:出版商的网站|谷歌学术搜索
21. s . n . Lane”降雨径流模型基于小波分析的评估。”水文过程,21卷,不。5,586 - 607年,2007页。视图:出版商的网站|谷歌学术搜索
22. j . f . Adamowski”发展短期河洪水预报融雪洪水驱动方法基于小波和cross-wavelet分析,“《水文,卷353,不。3 - 4、247 - 266年,2008页。视图:出版商的网站|谷歌学术搜索
23. j . Adamowski和k .太阳”发展耦合流预测的小波变换和神经网络方法non-perennial在半干旱流域河流,”《水文,卷390,不。1 - 2、85 - 91年,2010页。视图:出版商的网站|谷歌学术搜索
24. m . Ozger a . k . Mishra和v·辛格“长时间干旱预测使用小波和模糊逻辑组合模型:一个案例研究在德克萨斯州,”水文气象学杂志,13卷,不。1,第297 - 284页,2012。视图:出版商的网站|谷歌学术搜索
25. 分娩的和O。Kişi”,小波去噪结合模式降水预报,“《水文,卷342,不。1 - 2、199 - 212年,2007页。视图:出版商的网站|谷歌学术搜索
26. t·w·金和j·b·巴尔德斯非线性干旱预测模型基于小波变换和神经网络的结合,“水文工程杂志,8卷,不。6,319 - 328年,2003页。视图:出版商的网站|谷歌学术搜索
27. 诉Vapnik,统计学习理论的本质施普林格,纽约,纽约,美国,1995年。
28. j·b·高s r·甘恩c·j·哈里斯和m . Brown声称,“概率框架支持向量机回归和误差棒估计,“机器学习,46卷,不。1 - 3、71 - 89年,2002页。视图:出版商的网站|谷歌学术搜索
29. m . s .汗和p . Coulibaly”,支持向量机应用于湖泊水位预测,“水文工程杂志,11卷,不。3、199 - 205年,2006页。视图:出版商的网站|谷歌学术搜索
30. s . Rajasekaran s Gayathri, T.-L。李,“风暴潮的支持向量回归方法预测。”《海洋工程,35卷,不。16,1578 - 1587年,2008页。视图:出版商的网站|谷歌学术搜索
31. 欧基西人和m .试件,“蒸散模型,使用支持向量机”水文科学杂志,54卷,不。5,918 - 928年,2009页。视图:出版商的网站|谷歌学术搜索
32. o .基西人和m .试件”每月wavelet-support向量机模型,结合流速及流水量预测,“《水文,卷399,不。1 - 2、132 - 140年,2011页。视图:出版商的网站|谷歌学术搜索
33. t . Asefa m . Kemblowski m·麦基和a·哈利勒”多次规模流量预测:支持向量机的方法,”《水文,卷318,不。1 - 4、7 - 16,2006页。视图:出版商的网站|谷歌学术搜索
34. w . c . Wang k . w .洲c t . Cheng和l .邱”比较几种人工智能方法的性能预测每月流量时间序列,”《水文,卷374,不。3 - 4、294 - 306年,2009页。视图:出版商的网站|谷歌学术搜索
35. r . Maity p p Bhagwat, a .博”的潜在支持向量回归的预测每月流水量使用内生性质,“水文过程,24卷,不。7,917 - 923年,2010页。视图:出版商的网站|谷歌学术搜索
36. x z . m .元,s . Tan“非线性筛查指标苗期抗旱性的基于支持向量机的大米,“Agronomica学报,36卷,不。7,1176 - 1182年,2010页。视图:出版商的网站|谷歌学术搜索
37. c . Cacciamani a . Morgillo s Marchesi诉孔雀舞,“干旱监测和预测区域范围:选票的地区,”水科技图书馆,第62卷,第1部分,29-48,2007页。视图:出版商的网站|谷歌学术搜索
38. 即Bordi Sutera a,“在大规模干旱监测和预测,”为干旱分析和管理方法和工具g·罗西,t·维加,b . Bonaccorso Eds。,pp. 3–27, Springer, New York, NY, USA, 2007.视图:谷歌学术搜索
39. n . b .格特曼”接受标准化降水指数:计算算法,”美国水资源协会杂志》上,35卷,不。2、311 - 322年,1999页。视图:谷歌学术搜索
40. h·c·s·托姆“注意伽马分布,”每月天气回顾卷,86年,第122 - 117页,1958年。视图:谷歌学术搜索
41. d . c .爱德华·t·b·麦基,“20世纪美国干旱的特征在多尺度,“大气科学634年,1997年。视图:谷歌学术搜索
42. d·s·威尔统计方法在大气科学的介绍、学术出版社,圣地亚哥,加利福尼亚州,美国,1995年。
43. 阿布拉莫维茨和a . Stegun Eds。手册的数学公式、图表和数学表,多佛出版物,纽约,纽约,美国,1965年。
44. s . Morid诉Smakhtin, m . Moghaddasi”比较七气象干旱指数监测在伊朗,”国际气候学杂志,26卷,不。7,971 - 985年,2006页。视图:出版商的网站|谷歌学术搜索
45. j . Adamowski h·f·陈,“地下水位预测的小波神经网络结合模型,”《水文,卷407,不。1 - 4,28-40,2011页。视图:出版商的网站|谷歌学术搜索
46. m .试件”使用支持向量机日常悬浮沉积物的估计,”水文科学杂志,53卷,不。3、656 - 666年,2008页。视图:出版商的网站|谷歌学术搜索
47. a . j . Smola(硕士与支持向量回归估计的学习机器论文)德国慕尼黑,慕尼黑科技大学,1996。
48. 美国Gunn”,支持向量机分类和回归,”伊希斯技术报告、电子系、计算机科学、南安普顿大学,1998。视图:谷歌学术搜索
49. 美人蕉,a . Fanni g .补充免疫活动,s . Tronci和m . k . Zedda“河流量预测使用神经网络和小波分析,”欧洲地球科学联盟学报》上,2006年。视图:谷歌学术搜索
50. s . g . Mallat小波信号处理、学术出版社,圣地亚哥,加利福尼亚州,美国,1998年。
51. f . Murtagh j·l·斯塔克,o . Renuad”neuro-wavelet建模。”决策支持系统,37卷,不。4、475 - 484年,2004页。视图:出版商的网站|谷歌学术搜索
52. o . Renaud j·斯塔克,f . Murtagh小波预测短期和长记忆时间序列经济学系,2002年日内瓦大学。
53. a c e .建交40 m . s .巴别塔,Das Gupta, b . a . Seleshi和d . Merrey”农民的看法上泛滥盆地水资源管理在干旱条件下,埃塞俄比亚,”国际水资源开发杂志》上,22卷,不。4、589 - 602年,2006页。视图:出版商的网站|谷歌学术搜索
54. d . c . Edossa m . s .巴别塔,公元Gupta,”阿瓦什河流域干旱分析、埃塞俄比亚、”水资源管理,24卷,不。7,1441 - 1460年,2010页。视图:出版商的网站|谷歌学术搜索
55. m . k .女子和c . Chatterjee”发展的准确和可靠的每小时使用wavelet-bootstrap-ANN洪水预报模型(WBANN)混合方法,”《水文,卷394,不。3 - 4、458 - 470年,2010页。视图:出版商的网站|谷歌学术搜索
56. 歌曲名,g . Auda m . s .•凯米尔和f . Karray”在优化神经网络的隐节点数量,”学报》第11届IEEE加拿大电气和计算机工程会议(CCECE ' 98)1998年5月,页918 - 921。视图:谷歌学术搜索
57. j·c·普林西比、n . r . Euliano和w·Curt Lefebvre神经系统和自适应系统约翰•威利& Sons 2000。
58. t .分娩的,”造型使用离散小波变换和神经网络的蒸散,“水文过程,23卷,不。25日,第3555 - 3545页,2009年。视图:出版商的网站|谷歌学术搜索
59. f . Parrella在线支持向量回归(硕士论文)热那亚大学,2007。

版权

版权©2012 A。Belayneh和j . Adamowski。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。